Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5
Particulate matter 2.5 (PM₂.₅) pollution is an actual problem in the modern world and forecasting of the daily concentration of PM₂.₅ is a challenging task for researchers. In this study, a novel neural network model that effectively forecasts daily PM₂.₅ in Hangzhou city was developed in the form...
Gespeichert in:
| Veröffentlicht in: | Реєстрація, зберігання і обробка даних |
|---|---|
| Datum: | 2017 |
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
Інститут проблем реєстрації інформації НАН України
2017
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/131685 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 / Minglei Fu, Chen Wang, Zichun Le, D. Manko // Реєстрація, зберігання і обробка даних. — 2017. — Т. 19, № 3. — С. 53-64. — Бібліогр.: 29 назв. — англ. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862712116915470336 |
|---|---|
| author | Minglei Fu Chen Wang Zichun Le Manko, D. |
| author_facet | Minglei Fu Chen Wang Zichun Le Manko, D. |
| citation_txt | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 / Minglei Fu, Chen Wang, Zichun Le, D. Manko // Реєстрація, зберігання і обробка даних. — 2017. — Т. 19, № 3. — С. 53-64. — Бібліогр.: 29 назв. — англ. |
| collection | DSpace DC |
| container_title | Реєстрація, зберігання і обробка даних |
| description | Particulate matter 2.5 (PM₂.₅) pollution is an actual problem in the modern world and forecasting of the daily concentration of PM₂.₅ is a challenging task for researchers. In this study, a novel neural network model that effectively forecasts daily PM₂.₅ in Hangzhou city was developed in the form of a restricted Boltzmann machines double layer back propagation neural network model (RBM-DL-BPNN). Air quality index, the air pollutants, e.g., particulate matter 10 (PM10), PM₂.₅, SO₂, CO, NO₂, O₃, and meteorological parameters (temperature, dew point, humidity, pressure, wind speed, and precipitation) of Hangzhou city were used in this study to train and test three models: RBM-DL-BPNN, double layer back propagation neural network (DL-BPNN), and back propagation neural network (BPNN). The results of experiments and analyses performed indicate that RBM-DL-BPNN has a smaller mean absolute percent error (MAPE), smaller overall daily absolute percentage errors, and more results in terms of absolute percentage error within the range 0-50 % than DL-BPNN and BPNN.
Загрязнение ультрадисперсными частицами (УДЧ) класса PM₂.₅ является актуальной проб-лемой в современном мире. Прогнозирование их ежедневной концентрации является сложной задачей для исследователей. Разработана новая модель в виде ограниченной машины Больцмана обратной связи с удвоенным слоем (RBM-DL-BPNN). Эффективность предложенной модели показана на примере прогнозирования концентрации PM₂.₅ в городе Ханчжоу. Показатели качества воздуха, его загрязнения (PM10, УДЧ PM₂.₅, SO₂, CO, NO₂, O₃), метеорологические параметры (сред-несуточная температура, точка росы, влажность, атмосферное давление, скорость ветра и количество осадков) в Ханчжоу использованы в работе для обучения и тестирования трех моделей: RBM-DL-BPNN, нейронной сети с обратной связью с двойным слоем (DL-BPNN) и нейронной сети обратного распространения (BPNN). Результаты проведенных исследований показали, что относительная погрешность результатов использования RBM-DL-BPNN является наименьшей среди изученных нейронных сетей, которая заключается в том, что количество значений этой погрешности в диапазоне 0–50 % для RBM-DL-BPNN значительно больше, чем в случаях DL-BPNN и BPNN.
Забруднення ультрадисперсними частинками (УДЧ) класу PM₂.₅ є актуальною проблемою у сучасному світі. Прогнозування їхньої щоденної концентрації є складним завданням для дослідників. Розроблено нову модель у вигляді обмеженої машини Больцмана зворотного зв’язку з подвоєним шаром (RBM-DL-BPNN). Ефективність запропонованої моделі показано на прикладі прогнозування концентрації УДЧ РМ₂,₅ у місті Ханчжоу. Показники якості повітря, його забруднення (РМ10, РМ₂,₅, SO₂, CO, NO₂, O₃), метеорологічні параметри (середньодобова температура, точка ро-си, вологість, атмосферний тиск, швидкість вітру та кількість опадів) у Ханчжоу використано в роботі для навчання та тестування трьох моделей: RBM-DL-BPNN, нейронної мережі зі зворотним зв’язком з подвійним шаром (DL-BPNN) і нейронної мережі зворотного поширення (BPNN). Результати проведених досліджень показали, що відносна похибка результатів використання RBM-DL-BPNN є найменшою серед вивчених нейронних мереж, яке полягає в тому, що кількість значень цієї похибки в діапазоні 0–50 % для RBM-DL-BPNN значно більше, ніж для випадків DL-BPNN і BPNN.
|
| first_indexed | 2025-12-07T17:34:27Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-131685 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1560-9189 |
| language | English |
| last_indexed | 2025-12-07T17:34:27Z |
| publishDate | 2017 |
| publisher | Інститут проблем реєстрації інформації НАН України |
| record_format | dspace |
| spelling | Minglei Fu Chen Wang Zichun Le Manko, D. 2018-03-26T19:34:48Z 2018-03-26T19:34:48Z 2017 Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 / Minglei Fu, Chen Wang, Zichun Le, D. Manko // Реєстрація, зберігання і обробка даних. — 2017. — Т. 19, № 3. — С. 53-64. — Бібліогр.: 29 назв. — англ. 1560-9189 https://nasplib.isofts.kiev.ua/handle/123456789/131685 004.032.26 Particulate matter 2.5 (PM₂.₅) pollution is an actual problem in the modern world and forecasting of the daily concentration of PM₂.₅ is a challenging task for researchers. In this study, a novel neural network model that effectively forecasts daily PM₂.₅ in Hangzhou city was developed in the form of a restricted Boltzmann machines double layer back propagation neural network model (RBM-DL-BPNN). Air quality index, the air pollutants, e.g., particulate matter 10 (PM10), PM₂.₅, SO₂, CO, NO₂, O₃, and meteorological parameters (temperature, dew point, humidity, pressure, wind speed, and precipitation) of Hangzhou city were used in this study to train and test three models: RBM-DL-BPNN, double layer back propagation neural network (DL-BPNN), and back propagation neural network (BPNN). The results of experiments and analyses performed indicate that RBM-DL-BPNN has a smaller mean absolute percent error (MAPE), smaller overall daily absolute percentage errors, and more results in terms of absolute percentage error within the range 0-50 % than DL-BPNN and BPNN. Загрязнение ультрадисперсными частицами (УДЧ) класса PM₂.₅ является актуальной проб-лемой в современном мире. Прогнозирование их ежедневной концентрации является сложной задачей для исследователей. Разработана новая модель в виде ограниченной машины Больцмана обратной связи с удвоенным слоем (RBM-DL-BPNN). Эффективность предложенной модели показана на примере прогнозирования концентрации PM₂.₅ в городе Ханчжоу. Показатели качества воздуха, его загрязнения (PM10, УДЧ PM₂.₅, SO₂, CO, NO₂, O₃), метеорологические параметры (сред-несуточная температура, точка росы, влажность, атмосферное давление, скорость ветра и количество осадков) в Ханчжоу использованы в работе для обучения и тестирования трех моделей: RBM-DL-BPNN, нейронной сети с обратной связью с двойным слоем (DL-BPNN) и нейронной сети обратного распространения (BPNN). Результаты проведенных исследований показали, что относительная погрешность результатов использования RBM-DL-BPNN является наименьшей среди изученных нейронных сетей, которая заключается в том, что количество значений этой погрешности в диапазоне 0–50 % для RBM-DL-BPNN значительно больше, чем в случаях DL-BPNN и BPNN. Забруднення ультрадисперсними частинками (УДЧ) класу PM₂.₅ є актуальною проблемою у сучасному світі. Прогнозування їхньої щоденної концентрації є складним завданням для дослідників. Розроблено нову модель у вигляді обмеженої машини Больцмана зворотного зв’язку з подвоєним шаром (RBM-DL-BPNN). Ефективність запропонованої моделі показано на прикладі прогнозування концентрації УДЧ РМ₂,₅ у місті Ханчжоу. Показники якості повітря, його забруднення (РМ10, РМ₂,₅, SO₂, CO, NO₂, O₃), метеорологічні параметри (середньодобова температура, точка ро-си, вологість, атмосферний тиск, швидкість вітру та кількість опадів) у Ханчжоу використано в роботі для навчання та тестування трьох моделей: RBM-DL-BPNN, нейронної мережі зі зворотним зв’язком з подвійним шаром (DL-BPNN) і нейронної мережі зворотного поширення (BPNN). Результати проведених досліджень показали, що відносна похибка результатів використання RBM-DL-BPNN є найменшою серед вивчених нейронних мереж, яке полягає в тому, що кількість значень цієї похибки в діапазоні 0–50 % для RBM-DL-BPNN значно більше, ніж для випадків DL-BPNN і BPNN. This work was financially supported by the Special Funding of «the Belt and Road» International Cooperation of Zhejiang Province (2015C04005) and National Natural Science Foundation of China (61571399). en Інститут проблем реєстрації інформації НАН України Реєстрація, зберігання і обробка даних Технічні засоби отримання і обробки даних Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 Двошарова нейронна мережа зворотного поширення на основі обмежених машин Больцмана для прогнозування добової концентрації ультрадисперсних частинок РМ2.5. Двуслойная нейронная сеть обратного распространения на основе ограниченных машин Больцмана для прогнозирования суточной концентрации ультрадисперсных частиц РМ2.5 Article published earlier |
| spellingShingle | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 Minglei Fu Chen Wang Zichun Le Manko, D. Технічні засоби отримання і обробки даних |
| title | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_alt | Двошарова нейронна мережа зворотного поширення на основі обмежених машин Больцмана для прогнозування добової концентрації ультрадисперсних частинок РМ2.5. Двуслойная нейронная сеть обратного распространения на основе ограниченных машин Больцмана для прогнозирования суточной концентрации ультрадисперсных частиц РМ2.5 |
| title_full | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_fullStr | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_full_unstemmed | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_short | Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_sort | double layer back propagation neural network based on restricted boltzmann machines for forecasting daily particulate matter 2.5 |
| topic | Технічні засоби отримання і обробки даних |
| topic_facet | Технічні засоби отримання і обробки даних |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/131685 |
| work_keys_str_mv | AT mingleifu doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT chenwang doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT zichunle doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT mankod doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT mingleifu dvošarovaneironnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 AT chenwang dvošarovaneironnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 AT zichunle dvošarovaneironnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 AT mankod dvošarovaneironnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 AT mingleifu dvusloinaâneironnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnoikoncentraciiulʹtradispersnyhčasticrm25 AT chenwang dvusloinaâneironnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnoikoncentraciiulʹtradispersnyhčasticrm25 AT zichunle dvusloinaâneironnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnoikoncentraciiulʹtradispersnyhčasticrm25 AT mankod dvusloinaâneironnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnoikoncentraciiulʹtradispersnyhčasticrm25 |